这个工具提供了哪些能力
点开任一能力，看清怎么用
每个能力展开后是三件事：它会给你什么、你需要准备什么、哪些必须由你把关。
常见场景：想用LLM驱动的人格化Agent模拟信息茧房、群体极化等社会现象；需要设计对照实验来验证政策或干预措施在社会系统中的效果；研究需要从文献检索到模拟分析再到报告产出的全流程自动化
帮你同时驱动成千上万个模拟角色往前走一步：系统把它们分批并行处理，一个角色出错不会拖垮整批，模拟规模再大也不容易撑爆内存。
它会给你什么
- 每轮所有角色的行动摘要清单，以及模型调用用量统计。
你需要准备
- 所有模拟角色的名单、它们的工作目录和底层服务接口。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你让每个模拟角色自己拿主意：角色带着自己的性格设定，用大模型多轮思考再行动，边行动边观察结果，直到任务完成或达到轮数上限。
它会给你什么
- 角色这轮决策的最终结果文本。
- 保存到磁盘的角色状态文件和完整决策过程记录。
你需要准备
- 模拟进行到第几轮、当前时刻，以及角色看到的周围情况。
- 可选的追问内容或技能挂钩。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你从读过的文献里提炼出可以动手验证的假设：它生成一份假设说明和一份实验设计骨架，写清楚要用哪些角色、哪些环境，并安排实验组和对照组。
它会给你什么
- 一份假设说明文档。
- 一份实验设计配置，写明角色类型、环境模块和实验组划分。
你需要准备
- 前一步整理好的文献索引。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你把实验设计变成真正能跑的实验方案：它生成角色配置和分步操作单，可以安排模拟跑多少步、何时提问、何时干预、何时发问卷；做对照实验时准备多套不同配置即可。
它会给你什么
- 一份初始配置文件，写明环境模块、角色和路由设置。
- 一份按顺序排列的实验步骤清单。
- 一份实验参数定义文件。
你需要准备
- 上一步生成的实验设计配置。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你从一个研究主题出发建好文献库：中文或英文主题都行，它会换成合适的搜索词、去 arXiv 等多个文献源检索、下载全文，最后整理成一份带结构的文献索引。
它会给你什么
- 一个装着论文全文的文件夹，以及一份结构化文献索引。
你需要准备
- 一份写着你研究主题的文档，中文或英文都可以。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你把模拟过程完整记下来变成可查的数据：每一步的环境状态和角色状态都会存档，之后可以直接用数据库查询，比如查某个时刻所有角色在哪里、说了什么。
它会给你什么
- 分片存储的运行数据文件，以及一份说明数据结构的手册。
- 可以直接用数据库查询的数据视图。
你需要准备
- 每一步的环境状态、角色设定和角色当时的快照。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
第一次这样开始
把仓库地址直接交给 AI
先让 AI 说明环境和风险，再完成最小安装验证。开始前想清楚要用哪个能力、把对应材料备在手边——每张能力卡展开后有具体清单。
第一次直接复制
帮我安装这个库：https://github.com/tsinghua-fib-lab/AgentSociety 安装前先告诉我需要什么环境，安装后帮我跑通一个最小示例。
别这样用
这些判断，仍然由你负责
- 把LLM驱动的Agent当作传统ABM使用，忽视其内生决策随机性
- 未做多seed重复实验就直接下统计结论
- 依赖LLM Agent行为的表面真实性，放松对严格实验设计的要求
- 忽略环境模块的模拟保真度验证，直接采信模拟结果
技术依据
查看能力拆解、验证范围与来源
技术依据
查看能力拆解、验证范围与来源
处理机制
- 01
LLM-native社科模拟实验流水线
AgentSociety 的多张能力卡共享一条完整的研究流水线：文献→假设→实验配置→运行→分析→论文。对象从研究主题出发，经文献库、假设+实验组、initconfig+steps.yaml、agent workspace+replay，最终变成双语报告+经验记忆。本机制卡说明这些对象如何跨阶段传递，以及哪些状态会阻断或降级。
已核对范围
- 静态确认 record-based 设计：driver 不持有 agent 对象
- 静态确认 stepagentbatch @ray.remote 切批 + asyncio.gather 并发 + AdaptiveSemaphore 限流
- 静态确认 per-agent 异常隔离（不中断整批）
- 静态确认 runreactloop 的 observe → 多轮 ReAct → finish/maxturns 循环
- 静态确认 6 种路由模式（CodeGen/ReAct/Plan-Execute/Two-Tier-ReAct/Two-Tier-Plan-Execute/Search-Tool）
- 静态确认 ReactDecision 和 ReactToolResult 对象
- 静态确认 skills/hypothesis 的 manager/models 和 validatehypothesiswithmodules
- 静态确认 HypothesisDataModel 和 ExperimentGroupModel（对照/实验组）schema
仍待核对
- 未真实运行大规模 agent 模拟
- 未验证 record-based 设计在大 N 下的内存/磁盘表现
- 未真实运行 agent 决策循环
- 未验证不同路由模式在社科模拟中的效果差异
- 未真实运行假设生成
- 未验证生成假设的科研质量
- 未真实运行实验编排
- 未验证对照实验多 config 编排在真实场景的效果
读取版本
source-reviewed许可
Apache-2.0
最近核对
内容 2026-06-19
Stars 2026-07-11
相关文章
具备相关能力的其他库
相关课程
把单项工具放进完整研究设计流程
课程一从研究问题、文献判断、理论假设和方法骨架继续推进，帮助你建立可以复用的研究设计档案。